基于python的员工离职与预警系统

这是一个基于 Python、Flask、SQLite、Pandas 和 scikit-learn 的员工离职分析系统。项目围绕 IBM HR Attrition 数据集实现员工管理、离职统计看板、离职风险预测、风险排名、AI 风险分析、离职洞察和综合报告导出。

功能概览

用户认证：登录、注册、退出登录。
用户管理：管理员维护用户、角色、状态、重置密码，普通用户维护个人资料。
员工管理：员工列表分页查询、条件筛选、增删改、批量删除、CSV 导出。
数据看板：员工总览、部门离职率、岗位分布、婚姻状况、年龄段趋势、工作年限趋势、收入分段离职率。
离职预测：加载已训练随机森林模型，支持单员工预测和全员批量风险排名。
风险预警：首页定时轮询高风险员工并弹出提醒。
风险分析：风险排名页支持单员工 AI 风险分析；未配置 AI 密钥时使用本地规则生成报告。
离职洞察：雷达图对比高/中/低风险人群画像，并展示管理建议矩阵。
报告导出：洞察页生成综合离职分析 PNG 报告，支持预览和下载。

技术栈

Python >= 3.14
Flask
Flask-SQLAlchemy
Pandas
scikit-learn
joblib
seaborn / matplotlib
Layui
ECharts
SQLite

依赖定义在 pyproject.toml。

目录结构

.
├── app.py                         # Flask 应用入口
├── models.py                      # SQLAlchemy 数据模型
├── init_users.py                  # 初始化用户脚本
├── blueprints/                    # Flask 蓝图
│   ├── dashboard.py               # 数据看板 API
│   ├── employee.py                # 员工 CRUD 与 CSV 导出
│   ├── predict.py                 # 预测、风险分析、洞察、报告接口
│   └── user.py                    # 用户管理与个人中心
├── analysis/                      # 模型训练与分析脚本
│   ├── train_model.py             # 训练并保存离职预测模型
│   ├── predict_new_employee.py    # 新员工预测示例
│   └── factor.py                  # 相关性分析与热力图
├── model/                         # 已训练模型与预处理对象
├── report/                        # 综合 PNG 报告生成模块
├── reports/                       # 生成后的报告文件
├── static/                        # 数据集、前端静态资源、图片
├── templates/                     # 页面模板
└── task/                          # 课程练习与辅助脚本

快速开始

安装依赖：

uv sync

如果不使用 uv，可按 pyproject.toml 安装对应依赖。

初始化数据库表：

python app.py

应用启动时会执行 db.create_all()，在项目根目录使用 data.db。

初始化用户（如需要）：

python init_users.py

启动应用：

python app.py

默认访问地址：

http://127.0.0.1:5000/

主要页面

/：登录页
/register：注册页
/home：系统首页
/dashboard：数据看板
/employee/list：员工管理
/predict/：单员工离职风险预测
/predict/ranking：全员离职风险排名
/predict/insight：离职洞察与综合报告导出
/user/list：用户管理（管理员）
/user/profile：个人中心

模型训练与预测

训练模型：

python analysis/train_model.py

训练脚本会读取：

static/WA_Fn-UseC_-HR-Employee-Attrition.csv

并输出以下文件到 model/：

attrition_model.pkl
scaler.pkl
feature_columns.pkl
label_encoders.pkl

运行新员工预测示例：

python analysis/predict_new_employee.py

综合离职分析报告

洞察页提供“生成分析报告图”按钮。点击后会调用后端生成 PNG 报告，报告保存到：

reports/analysis_report.png

风险预警轮询脚本

task/risk_warning_polling.py 可独立轮询批量预测接口，在终端输出高风险员工提醒：

python task/risk_warning_polling.py --base-url http://127.0.0.1:5000

只检查一次：

python task/risk_warning_polling.py --once

AI 风险分析配置

风险排名页的 AI 分析接口支持 OpenAI 兼容服务。可通过环境变量配置：

MENGZHEN_OPENAI_API_KEY 或 OPENAI_API_KEY
MENGZHEN_OPENAI_URL、MENGZHEN_OPENAI_BASE_URL 或 OPENAI_BASE_URL
MENGZHEN_OPENAI_MODEL 或 OPENAI_MODEL

也可以创建 .env.local 放置本地配置。.env 和 .env.* 已被忽略，不会进入版本库。

未配置 API Key 时，系统会使用本地规则生成可用的风险分析报告。

常用验证命令

Python 语法检查：

python -m py_compile app.py blueprints/predict.py report/config.py report/generate_analysis_report.py

生成综合报告：

python report/generate_analysis_report.py

检查 Git 状态：

git status --short

数据与文件说明

data.db：SQLite 数据库文件，当前已被 Git 跟踪，适合课程演示。
model/：已训练模型和预处理文件，应用启动时由 blueprints/predict.py 加载。
static/WA_Fn-UseC_-HR-Employee-Attrition.csv：模型训练和报告生成使用的数据集。
reports/analysis_report.png：当前生成的综合离职分析报告样例。

注意事项

markdown/ 和 word/ 目录被忽略，不作为项目运行必要文件提交。
本地密钥、虚拟环境、IDE 配置和 Python 缓存文件被忽略。
如果报告中文字显示为方框，请确认系统安装了 Microsoft YaHei、SimHei 或 Arial Unicode MS 字体。